Backtrader中的数据概念

在backtrader中，数据通常通过adddatafeed的方式输入至cerebro中，然后用户在自定义的stragety的子类(即自定义策略)中进行数据处理。传入数据一般具有一些固定格式，这些格式通常通过定义特定数据文件格式的子类来规定如：

class GenericCSVData(feed.CSVDataBase):

params = (

('nullvalue', float('NaN')),

('dtformat', '%Y-%m-%d %H:%M:%S'),

('tmformat', '%H:%M:%S'),

feed.CSVDataBase 是backtrader 中定义的处理csv文件的基类。因此，传入backtrader中的数据通可以指定既可以作为整体进行处理，也可以通过指定open，high等属性来对特定数据进行处理。

strategy子类中的数据

backtrader 中的数据流，一般为Data Feed，包括 ：

•通过cerebro.adddata导入的原始数据

•Indicator对象

•通过自定义方法处理后的数据结果，等等

在 init 方法中，常用到几种数据对象：

•self.datas：通过cerebro.adddata方法 传入的所有数据

•self.dataX=self.datas[X] 指第X+1个被传入strategy的数据，X=0,1,2...

•self.data=self.data[0] 指第一个被传入的数据（当初始化indicator时，不指定数据来源，则默认传入首个数据）

同时，这些数据又常常可作为backtrader独特的数据对象格式：lines。根据backtrader文档，lines被定义为一个数组，数组中的数据作图时形成一条曲线。

It can hold one of more line series, being a line series an array of values were the values put together in a chart they would form a line.

lines 对象都有自己的名称且有的自身的属性，这些属性一般在数据类中已经进行了声明:

•可以通过self.lines(或self.l), self.lines.name(或self.lines_name)来对line对象进行取值

•self.dataX也可以被视为line对象，包括了datetime, open ,close, high ,low ,volume等属性。这些属性在对传入数据进行格式化时已经定义。

•Inidcator对象在定义时，就得为自己line对象进行命名，比如：

class SimpleMovingAverage(Indicator):

lines = ('sma',)

•在对复杂对象(Strategy或 Indicator)中的line对象中的数据进行获取时，通常通过self.data_name或者self.datax_name的方式。

line对象处理

line对象处理时有以下几点需要注意：

•datafeed对象可以通过self.dataX.close, self.dataX.open的方式来获取收盘价、开盘价这些本身的属性值。而Indicator 对象是没有这些属性的，因此Indicator对象中定义的line，一般还是通过self.l.lines来获取。

•当多个line被同一个对象定义时，可以按定义的顺序通过self.l.lines[X], self.l.linesX, self.l.lines_X的方式来获取第X+1个line。

•line包含的数据长度可以通过python中的len方法获得。

•line对象通过回溯方式来输出数据，如：

def next(self):

if self.data.close[0] >self.data.close[-1]:

print('Closing price is higher today')

•这个例子中，比较的是收盘价与前收的大小，[-1]指line序列中以当前为起点的上一个数据。以此类推，可通过[x]的方法来获取以当前为起点x个以前的数据值。因此，不同于python中正常的array，line没有python中常用的切片方式。

•line对象通过get方法进行数据切片：

myslice = self.my_sma.get(ago=-1, size=10)

•ago指回溯起点，size指切片大小。

以上这些要均在backtrader文档中的Platform Concepts[1]中有详细介绍

References

[1] Platform Concepts: https://www.backtrader.com/docu/concepts/

ancova()提供了协方差分析计算，调用方式是：

ancova(formula, data.in=sys.parent(), x, groups)

实例：为研究ABC三种饲料对猪的催肥效果，每种饲料养8头猪一段时间，测得每头猪的初始重量（X）和增重（Y），分析三种饲料对猪的催肥效果是否相同？

>#建立数据集

>feed <- rep(c("A", "B", "C"), each=8)

>Weight_Initial <- c(15,13,11,12,12,16,14,17,17,16,18,18,21,22,19,18,22,24,20,23,25,27,30,32)

>Weight_Increment <- c(85,83,65,76,80,91,84,90,97,90,100,95,103,106,99,94,89,91,83,95,100,102,105,110)

>data_feed <- data.frame(feed,Weight_Initial,Weight_Increment)

>anova(lm(Weight_Increment~Weight_Initial+feed), data=data_feed)

Analysis of Variance Table

Response: Weight_Increment

Df Sum Sq Mean Sq F value Pr(>F)

Weight_Initial 1 1621.12 1621.12 142.445 1.496e-10 ***

feed 2 707.22 353.61 31.071 7.322e-07 ***

Residuals 20 227.61 11.38

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

>anova(lm(Weight_Increment~Weight_Initial*feed), data=data_feed)

Analysis of Variance Table

Response: Weight_Increment

Df Sum Sq Mean Sq F value Pr(>F)

Weight_Initial 1 1621.12 1621.12 162.4949 1.897e-10 ***

feed 2 707.22 353.61 35.4443 5.726e-07 ***

Weight_Initial:feed 2 48.04 24.02 2.4076 0.1184

Residuals 18 179.58 9.98

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

---